前言

1.解释变量（或自变量）：解释变量是指作为研究对象，用于解释某个现象或行为模式的变量。其中有些解释变量是直接影响被解释变量的，有些则是间接或中介影响的。在回归分析中，解释变量通常被放在方程的右边。

2.被解释变量（或因变量）：被解释变量是指通过解释变量来解释其变化产生的影响的变量，也可以称为因变量。在回归分析中，被解释变量通常被放在方程的左边。

3.控制变量（或干扰变量）：控制变量是指在控制所研究的解释变量和被解释变量之间的关系时，需要控制的可能具有影响的变量。例如，我们希望研究教育对收入的影响，但同时需要将一些其他因素（例如性别、年龄、工作经验等）视为控制变量。通过对这些变量进行控制，可以更准确地估计教育对收入的影响。

一、控制变量

先看一个例子：
问题：喝可乐会变胖吗？
控制：控制与其他与特征相关的因素，比如：锻炼强度、日常饮食、年龄…
实验设计：
保证实验组（treatment group）和控制组（control group）
锻炼强度相同、饮食相同，年龄相同等其他因素。

解释：
在计量经济学中，控制变量是指通过对所研究的因素进行控制，来消除可能影响研究变量之间关系的其他因素。具体来讲，研究者想要控制某个变量时，就要尽可能地与其他可能的影响因素（控制变量）隔离，以便能够更准确地研究所需的变量之间的关系。

例如，假设我们想研究吸烟与肺癌之间的关系。为了消除其他因素对这种关系的影响，我们需要控制一些变量，如年龄、遗传因素、长期吸入有害气体等等。通过对这些变量进行控制，我们可以更加准确地估计出吸烟和肺癌之间的关系。
为什么要控制：如果不控制模型会生病，结论不可靠，估计参数有偏，产生内生性。
怎么确定控制变量：看前人的研究，找相关文献。

二、内生变量、外生变量

举个例子
有一个模型简单表达为： Y = a + b X + ϵ Y=a+bX+\epsilon Y=a+bX+ϵ
内生变量：Y、X，模型决定的，也就是因变量、自变量。
外生变量：a,b，模型外的因素决定的，已知的，参数。
通常由内生性决定外生性
在计量经济学中，我们经常把变量分为内生变量和外生变量。

内生变量是指模型中的被解释变量或者解释变量，与其他变量的因果关系存在研究偏误和混淆的可能性，是需要解释和控制的变量。

举个例子，假设我们研究驾驶员的车祸率与使用手机的频率之间的关系。在这个模型中，车祸率是被解释变量，而使用手机的频率是解释变量。然而，这个模型的研究结果可能存在研究偏误，因为许多其他因素可能会影响车祸率，比如驾驶员的年龄、性别、驾驶经验等等。因此，这些影响车祸率的因素就是内生变量。

在计量经济学中，外生变量是指对被研究现象或行为结果有影响，但不受研究对象影响的变量。这些变量是在研究要素之外并且在研究对象之前就存在的，通常是定量测量的，其值不依赖于被研究的行为或结果。

举例来说，对于一个销售额的研究，外生变量可能包括经济总体，竞争对手行业的价格和促销活动，天气，人口统计学数据等因素。这些变量不受销售团队的控制，但会对销售额产生影响。

区分内生性
内生性：模型中一个变量或多个变量与随机扰动项相关
理解：
假设这是一个真实无误的模型：
Y = β 1 X 1 + β 2 X 2 + μ Y=\beta_1X_1+\beta_2X_2+\mu Y=β1X1+β2X2+μ
且 β 1 = 1 \beta_1=1 β1=1， β 2 = 1 \beta_2=1 β2=1， c o v ( X 1 , X 2 ) = 0.5 cov(X_1,X_2)=0.5 cov(X1,X2)=0.5
但你的估计模型却是：
Y = β 1 X 1 + ϵ Y= \beta_1X_1+\epsilon Y=β1X1+ϵ
如果， X 1 X_1 X1变动1单位，真实情况下， X 2 X_2 X2会变0.5，带入真实模型， Y = 1.5 Y=1.5 Y=1.5
这是，你的估计模型 β 1 \beta_1 β1的估计系数却为1.5，真实的为 β 1 = 1 \beta_1=1 β1=1
这就造成了偏误。
这就是遗漏变量造成的内生性
常见造成内生性的原因以及处理方式
见B站大佬-

内生性处理方式总结【传送门】

三、工具变量（IV）

工具变量由工具变量法引入，其实是一种方法。
在某些情况下，模型中的某个变量可能受到未观测到的外部因素的影响，这就会造成内生性问题。为了解决这个问题，我们可以引入一个工具变量，它与内生变量相关，但与模型中其他变量无关。

这是1)、2)满足工具变量的两个条件.
举个例子，假设我们想研究健康对收入的影响，但是健康本身很可能会受到其他因素（例如遗传、家庭背景等）的影响，从而对收入产生间接的影响，
我们可以使用居住地的污染水平作为工具变量，来解决这个问题。通过引入污染水平作为工具变量，我们可以确保收入被正确地归因于健康，从而避免了内生性问题。

理解控制变量、内生变量、外生变量、工具变量相关推荐

python 工具变量回归_stata工具变量法一例：使用2SLS进行ivreg2估计及其检验
作为OLS回归不符合假定的问题,还包括解释变量与随机扰动项不相关.如果出现了违反该假设的问题,就需要找一个和解释变量高度相关的.同时和随机扰动项不相关的变量,作为工具变量进行回归.工具变量通常采用二阶 ...
STATA IV估计，工具变量回归法，命令与小结（更新ING）
为了方便理解,这里假设因变量为y,解释变量为x1(内生).x2,控制变量为c1,工具变量为z1. OLS回归 y = β1x1 +β2x2 + β3*c1 + e 1.直接ols回归 reg y x1 ...
解决回归过程中内生性问题的方法之一-工具变量法
OLS是常用的回归方法之一,那么OLS在使用过程中最重要的一个前提是解释变量与扰动项不相关,解释变量可以理解为我们研究时的自变量,扰动项可以理解为我们研究时与自变量独立的控制变量,如果出现解释变量与扰 ...
【初级计量经济学】内生性问题——工具变量法（Stata实现）
目录 1. 数据来源以及变量详目 1.1变量一览表 1.2数据描述性统计 2. 模型设定以及初步回归 2.1 OLS 模型 2.2 回归结果 2.3 回归结果 ...
工具变量法案例【计量经济系列（八）】
stata 工具变量法案例[计量经济系列(八)] 文章目录 1.数据集 2. 初步回归,发现内生变量 3. 使用工具变量,2SLS回归 4. 检验外生性,过度识别检验 5. 检验工具变量与内生变量 ...
lecture 11：内生性与工具变量法
内生性问题 "内生性"名称的由来现在人们说某个模型有内生性问题(endogeneity issue),是指模型中的一个或多个解释变量与误差项存在相关关系. 显然,这个解释和内生性 ...
R语言工具变量与两阶段最小二乘法
我们要估计的模型是其中是解释变量,和是我们想要估计的系数. x是控制变量,d是治疗变量.我们对我们治疗d对y的影响特别感兴趣. 生成数据首先,让我们生成数据. 假设x,d,z(d的工具变量)和e之 ...
stata 工具变量法【计量经济系列（七）】
stata 工具变量法[计量经济系列(七)] 文章目录 1. 内生性 2. 工具变量 3. 2SLS (二阶段最小二乘法) 4. 弱工具变量 5. 工具变量外生性的过度识别检验 6. 豪斯曼检验 6. ...
内生性问题—工具变量法
文章目录 @[toc] 1 什么是内生性 2 内生性的来源 2.1遗漏变量偏差 2.2 联立方程偏差 2.3 解释变量测量误差 2.4 选择偏差 2.5 双向因果关系 2.6 模型设定偏误 2.7 动 ...

理解控制变量、内生变量、外生变量、工具变量

文章目录

前言

一、控制变量

二、内生变量、外生变量

三、工具变量（IV）

理解控制变量、内生变量、外生变量、工具变量相关推荐

最新文章

热门文章